Reconstrução de tomossíntese mamária utilizando redes neurais com aprendizado profundo

• Autor(a) principal: Paula, Davi Duarte de
• Data de Publicação: 2020
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UNESP
• Texto Completo: http://hdl.handle.net/11449/192452
• topic: Tomossíntese mamária; Aprendizado profundo; Reconstrução tomográfica; Aprendizado de máquina; Redes neurais artificiais; Redução de ruído; Digital breast tomosynthesis; Deep learning; Tomographic reconstruction; Machine learning; Artificial neural networks; Noise reduction

Tomossíntese Mamária Digital (DBT) é uma técnica de imageamento radiográfico, com aquisição de projeções em ângulos limitados utilizando dose reduzida de radiação. Ela tem por objetivo reconstruir fatias tomográficas do interior da mama, possibilitando o diagnóstico precoce de possíveis lesões e aumentando, consequentemente, a probabilidade de cura do paciente. Contudo, devido ao fato de que DBT utiliza doses baixas de radiação, a imagem gerada contém mais ruído que a mamografia digital. Embora a qualidade do exame esteja diretamente relacionada com a dose utilizada, espera-se que a dose de radiação empregada no exame seja a mais baixa possível, mas ainda com qualidade suficiente para que o diagnóstico possa ser realizado, conforme o princípio As Low As Reasonably Achievable (ALARA). Uma das etapas importantes para se buscar o princípio ALARA é a reconstrução tomográfica, que consiste em um software que gera as fatias do interior da mama a partir de um conjunto de projeções 2D de DBT adquiridas. Por outro lado, técnicas de Aprendizado de Máquina, especialmente redes neurais com aprendizado profundo, que recentemente tem evoluído consideravelmente o estado da arte em diversos problemas de Visão Computacional e Processamento de Imagens, tem características adequadas para serem aplicadas também na etapa de reconstrução. Deste modo, este trabalho investigou uma arquitetura básica de rede neural artificial com aprendizado profundo que seja capaz de reconstruir imagens de DBT, especialmente focada na redução de ruído. Ainda, considerando uma etapa adicional de filtragem usando o método Denoising Convolutional Neural Networks (DnCNN) após a reconstrução, o método proposto foi superior a uma abordagem em estado da arte de reconstrução de DBT em termos de SSIM (Structural Similarity Index Measure) e PSNR (Peak Signal-to-Noise Ratio) usando dados de corpos de prova virtuais de DBT, atingindo valores de 37,644 db em PSNR e 0,869 em SSIM. Por fim, ressalta-se que esta implementação de arquitetura básica para reconstrução de DBT é relevante para o desenvolvimento futuro de redes neurais artificiais únicas que realizam o processo completo de reconstrução de DBT (envolvendo filtragem e retroprojeção).